共享单车决策树模型代码

共享单车的决策树模型通常用于预测用户是否会使用共享单车、何时何地使用，或者用户的骑行习惯等。决策树是一种基于规则的学习算法，它通过一系列如果-那么规则来进行决策。在Python中，我们可以使用`scikit-learn`库来构建决策树模型。以下是一个简单的示例代码：

# 导入必要的库
from sklearn import tree
import pandas as pd

# 假设你已经有了一个名为'data.csv'的CSV文件，其中包含训练数据
data = pd.read_csv('data.csv')

# 定义特征列（X）和目标变量（y）
features = data[['user_age', 'membership_duration', 'distance_travelled', 'weather_condition']]
target = data['usage']

# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = tree.DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
predictions = clf.predict(X_test)

# 评估模型性能
from sklearn.metrics import accuracy_score, confusion_matrix
accuracy = accuracy_score(y_test, predictions)
conf_matrix = confusion_matrix(y_test, predictions)

# 打印模型和评估结果
print("Accuracy: ", accuracy)
print("Confusion Matrix: \n", conf_matrix)

# 相关问题：
1. 除了年龄、会员时长和距离外，还可以用哪些特征优化模型？
2. 如何调整决策树的复杂度，防止过拟合或欠拟合？
3. 除了准确率，还有哪些指标可以用来衡量决策树的性能？如召回率或F1分数。

请注意，实际的代码可能需要根据具体的数据预处理、特征工程以及模型调优步骤进行修改。如果你需要深入了解特定的模型参数或者技术细节，可以继续提问。